Importing the dependencies

↳ 0 cells hidden

Code

Text

Code

Text

Code

Text

Data collection and processing

↳ 0 cells hidden

Code

Text

#print first 5 rows of the dataset
heart_data.head()

size=2 width="100%" align=center>
#print last 5 rows of the datset
heart_data.tail()

size=2 width="100%" align=center>
#number of rows and columns in the dataset
heart_data.shape

(1025, 14)

#getting some info about the data
heart_data.info()

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 1025 entries, 0 to 1024

Data columns (total 14 columns):

 #   Column    Non-Null Count  Dtype 

---  ------    --------------  ----- 

 0   age       1025 non-null   int64 

 1   sex       1025 non-null   int64 

 2   cp        1025 non-null   int64 

 3   trestbps  1025 non-null   int64 

 4   chol      1025 non-null   int64 

 5   fbs       1025 non-null   int64 

 6   restecg   1025 non-null   int64  

 7   thalach   1025 non-null   int64 

 8   exang     1025 non-null   int64 

 9   oldpeak   1025 non-null   float64

 10  slope     1025 non-null   int64 

 11  ca        1025 non-null   int64 

 12  thal      1025 non-null   int64 

 13  target    1025 non-null   int64 

dtypes: float64(1), int64(13)

memory usage: 112.2 KB

heart_data.isnull().sum()

age         0

sex         0

cp          0

trestbps    0

chol        0

fbs         0

restecg     0

thalach     0

exang       0

oldpeak     0

slope       0

ca          0

thal        0

target      0

dtype: int64

#statistical measures about the data
heart_data.describe()

size=2 width="100%" align=center>
# checking the distribution of target variable
heart_data['target'].value_counts()

1    526

0    499

Name: target, dtype: int64

1--> defective heart 0--> healthy heart

↳ 0 cells hidden

Splitting the features and target

↳ 0 cells hidden

 X = heart_data.drop(columns = 'target', axis=1)
 Y = heart_data['target']

print(X)

      age  sex  cp  trestbps  chol  fbs  restecg  thalach  exang  oldpeak  \

0      52    1   0       125   212    0        1      168      0      1.0  

1      53    1   0       140   203    1        0      155      1      3.1  

2      70    1   0       145   174    0        1      125      1      2.6  

3      61    1   0       148   203    0        1      161      0      0.0  

4      62    0   0       138   294    1        1      106      0      1.9  

...   ...  ...  ..       ...   ...  ...      ...      ...    ...      ...  

1020   59    1   1       140   221    0        1      164      1      0.0  

1021   60    1   0       125   258    0        0      141      1      2.8  

1022   47    1   0       110   275    0        0      118      1      1.0  

1023   50    0   0       110   254    0        0      159      0      0.0  

1024   54    1   0       120   188    0        1      113      0      1.4  

 

      slope  ca  thal 

0         2   2     3 

1         0   0     3 

2         0   0     3 

3         2   1     3 

4         1   3     2 

...     ...  ..   ... 

1020      2   0     2 

1021      1   1     3 

1022      1   1     2 

1023      2   0     2 

1024      1   1     3 

 

[1025 rows x 13 columns]

print(Y)

0       0

1       0

2       0

3       0

4       0

       ..

1020    1

1021    0

1022    0

1023    1

1024    0

Name: target, Length: 1025, dtype: int64

Splitting the data into training data & test data

↳ 0 cells hidden

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, stratify=Y, random_state=2)

print(X.shape, X_train.shape, X_test.shape)

(1025, 13) (820, 13) (205, 13)

Model Training

↳ 0 cells hidden

Logistic Regression

↳ 0 cells hidden

model = LogisticRegression()

#training the logistic regression model with training data
model.fit(X_train, Y_train)

size=2 width="100%" align=center>

Model Evaluation

↳ 0 cells hidden

Accuracy score

↳ 0 cells hidden

#accuracy on the training data
X_train_prediction = model.predict(X_train)
training_data_accuracy = accuracy_score(X_train_prediction, Y_train)

print('Accuracy on Training data :', training_data_accuracy)

Accuracy on Training data : 0.8524390243902439

#accuracy on the test data
X_test_prediction = model.predict(X_test)
test_data_accuracy = accuracy_score(X_test_prediction, Y_test)

print('Accuracy on Test data :', test_data_accuracy)

Accuracy on Test data : 0.8048780487804879

Building predictive system

↳ 0 cells hidden

input_data = (53,1,0,140,203,1,0,155,1,3.1,0,0,3)

# change the input data to a numpy array
input_data_as_numpy_array = np.asarray(input_data)

# reshape the numpy array as we are predicting for only one instance
input_data_reshape = input_data_as_numpy_array.reshape(1,-1)

prediction = model.predict(input_data_reshape)
print(prediction)

if(prediction[0] == 0):
  print('The Person has a healthy heart')
else:
  print('The Person has heart disease')

[0]

The Person has a healthy heart

/usr/local/lib/python3.10/dist-packages/sklearn/base.py:439: UserWarning: X does not have valid feature names, but LogisticRegression was fitted with feature names

  warnings.warn(

input_data = (62,1,1,128,208,1,0,140,0,0,2,0,2)

# change the input data to a numpy array
input_data_as_numpy_array = np.asarray(input_data)

# reshape the numpy array as we are predicting for only one instance
input_data_reshape = input_data_as_numpy_array.reshape(1,-1)

prediction = model.predict(input_data_reshape)
print(prediction)

if(prediction[0] == 0):
  print('The Person has a healthy heart')
else:
  print('The Person has heart disease')

[1]

The Person has heart disease

/usr/local/lib/python3.10/dist-packages/sklearn/base.py:439: UserWarning: X does not have valid feature names, but LogisticRegression was fitted with feature names

  warnings.warn(

Colab paid products - Cancel contracts here

Add a comment